pacman::p_load(sjPlot, htmltools, sjlabelled,readr, summarytools, haven, dplyr,kableExtra,readxl, ggplot2,ggtext)
# BBDD
ola1<-read_dta("../input/data/proc/data_01.dta")
ola2<-read_dta("../input/data/proc/data_02.dta")
ola3<-read_dta("../input/data/proc/data_03.dta")
#data_wide <- full_join(x = ola1, #datos ola 1
#y = ola2, #datos ola 2
#by = "folio_encuestado", #identificador
#aplica sufijo a variables que se repiten entre olas
#suffix = c("_w01",
#"_w02")) %>%
#left_join(ola3,
#by = "folio_encuestado")
# n fijado a ola 3
data_wide <- left_join(x = ola3, #datos ola 3
y = ola2, #datos ola 2
by = "folio_encuestado", #identificador
#aplica sufijo a variables que se repiten entre olas
suffix = c("_w03",
"_w02")) %>%
left_join(ola1,
by = "folio_encuestado")
En el presente documento se exponen los resultados correspondientes a un análisis descriptivo bivariado entre diferentes variables relativas a la participación política (tres tipos de participación activista y votar en elecciones) y cuatro variables que se espera que se relacionen con estos proxys de participación: la dependencia administrativa del establecimiento donde estudió los últimos dos años de enseñanza media, el máximo nivel educativo de la madre, el máximo nivel educativo del padre y la frecuencia de conversación sobre temas sociales y políticos con los padres.
Adicionalmente, se presentan los resultados de un análisis descriptivo bivariado entre la frecuencia de conversación sobre temas sociales y políticos con los padres y las otras tres variables que se espera que se relacionen con los tipos de participación analizados (más específicamente, la dependencia administrativa del establecimiento donde estudió los últimos dos años de enseñanza media, el máximo nivel educativo de la madre y el máximo nivel educativo del padre).
La participación activista se midió a través de una serie de indicadores que se presentan bajo la pregunta general “¿con qué frecuencia realizó las siguientes actividades?”, teniendo como alternativas de respuesta 1. Nunca, 2. Casi nunca, 3. A veces, y 4. Frecuentemente.
Se presentaron los mismos indicadores junto con la misma pregunta y sus alternativas de respuesta para consultar por distintos momentos en el tiempo. Más específicamente, se consultó por la participación activista durante: (1) el periodo en que el encuestado cursaba 3° y 4° Medio, (2) estallido social, (3) el año 2020, (4) el primer semestre de 2021 y (5) el segundo semestre de 2021.
Para medir el activismo disruptivo se creo un índice sumativo que incorporó los cuatro indicadores relacionados con este tipo de participación, calculando el promedio de participación activista disruptiva manteniendo la escala original de valores (1 a 4). Se incorporaron los siguientes indicadores:
En el gráfico a continuación se presenta el puntaje promedio de participación activista disruptiva en cada uno de los momentos sobre los que se consultó. Como se puede ver, la participación activista disruptiva en general alcanza niveles bajos (todos los promedios son cercanos a 1, valor que corresponde al más bajo de la escala), no superando los 2 puntos en ninguno de los momentos por los que se consultó. Los niveles más altos de participación disruptiva corresponden al periodo en que el encuestado estudió la enseñanza media y al periodo del estallido social.
### Crear variable participación política durante 3ro y 4to medio
data_wide$part_act_dis_3y4 <- as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloqueo + data_wide$part_pol_rayar.y + data_wide$part_pol_toma.y)/4
### Crear variable participación política durante estallido social
data_wide$part_act_dis_es <- as.numeric(data_wide$part_pol_marc_dis_21 + data_wide$part_pol_bloq_21 + data_wide$part_pol_rayar_21 + data_wide$part_pol_toma_21)/4
### Crear variable participación política durante el 2020
data_wide$part_act_dis_20 = as.numeric(data_wide$part_pol_marc_dis_20 + data_wide$part_pol_bloq_20 + data_wide$part_pol_rayar_20 + data_wide$part_pol_toma_20)/4
### Crear variable participación política durante el primer semestre de 2021
data_wide$part_act_dis_21_1s = as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloq + data_wide$part_pol_rayar.x + data_wide$part_pol_toma.x)/4
### Crear variable participación política durante el segundo semestre de 2021
data_wide$part_act_dis_21_2s = as.numeric(data_wide$part_pol_marc_dis_21b + data_wide$part_pol_bloq_21b + data_wide$part_pol_rayar_21b + data_wide$part_pol_toma_21b)/4
table_preposh1<- rbind(psych::describe(data_wide$part_act_dis_3y4, na.rm=T),
psych::describe(data_wide$part_act_dis_es, na.rm=T),
psych::describe(data_wide$part_act_dis_20, na.rm=T),
psych::describe(data_wide$part_act_dis_21_1s, na.rm=T),
psych::describe(data_wide$part_act_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_wide$part_act_dis_3y4,y=data_wide$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_wide$part_act_dis_es,y=data_wide$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_wide$part_act_dis_20,y=data_wide$weight_w01,na.rm=TRUE)
pond4 <- stats::weighted.mean(x=data_wide$part_act_dis_21_1s,y=data_wide$weight_w02,na.rm=TRUE)
pond5 <- stats::weighted.mean(x=data_wide$part_act_dis_21_2s,y=data_wide$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1[4,2]<-pond4
table_preposh1[5,2]<-pond5
table_preposh1$dep <- c("1. Durante 3ro y 4to medio", "2. Durante el estallido social", "3. Durante el 2020", "4. Durante el 1er sem. de 2021", "5. Durante el 2do sem. de 2021")
part_act_dis <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva") + ylim(0,4)
#part_act_dis
ggsave(part_act_dis, file = "../output/graphs/part_act_dis.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre la dependencia administrativa del establecimiento en que el encuestado estudió sus dos últimos años de enseñanza media y su participación activista disruptiva.
En términos generales, es posible visualizar que no hay un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre la dependencia administrativa del establecimiento y la participación disruptiva. Sin embargo, se muestra una relación entre haber asistido a un establecimiento municipal y realizar prácticas de activismo disruptivo durante 3ro y 4to medio.
### Crear variable participación política durante 3ro y 4to medio
data_wide$part_act_dis_3y4 <- as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloqueo + data_wide$part_pol_rayar.y + data_wide$part_pol_toma.y)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_dis_3y4, na.rm=T),
psych::describe(data_sub$part_act_dis_3y4, na.rm=T),psych::describe(data_priv$part_act_dis_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_dis_3y4,y=data_mun$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_dis_3y4,y=data_sub$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_dis_3y4,y=data_priv$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_dis_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_dis_3y4_colegio
ggsave(part_act_dis_3y4_colegio, file = "../output/graphs/part_act_dis_3y4_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_dis_20 = as.numeric(data_wide$part_pol_marc_dis_20 + data_wide$part_pol_bloq_20 + data_wide$part_pol_rayar_20 + data_wide$part_pol_toma_20)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_dis_20, na.rm=T),
psych::describe(data_sub$part_act_dis_20, na.rm=T),psych::describe(data_priv$part_act_dis_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_dis_20,y=data_mun$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_dis_20,y=data_sub$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_dis_20,y=data_priv$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_dis_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_dis_20_colegio
ggsave(part_act_dis_20_colegio, file = "../output/graphs/part_act_dis_20_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_dis_21_1s = as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloq + data_wide$part_pol_rayar.x + data_wide$part_pol_toma.x)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_dis_21_1s, na.rm=T),
psych::describe(data_sub$part_act_dis_21_1s, na.rm=T),psych::describe(data_priv$part_act_dis_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_dis_21_1s,y=data_mun$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_dis_21_1s,y=data_sub$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_dis_21_1s,y=data_priv$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_dis_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_dis_21_1s_colegio
ggsave(part_act_dis_21_1s_colegio, file = "../output/graphs/part_act_dis_21_1s_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_dis_21_2s = as.numeric(data_wide$part_pol_marc_dis_21b + data_wide$part_pol_bloq_21b + data_wide$part_pol_rayar_21b + data_wide$part_pol_toma_21b)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_dis_21_2s, na.rm=T),
psych::describe(data_sub$part_act_dis_21_2s, na.rm=T),psych::describe(data_priv$part_act_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_dis_21_2s,y=data_mun$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_dis_21_2s,y=data_sub$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_dis_21_2s,y=data_priv$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_dis_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_dis_21_2s_colegio
ggsave(part_act_dis_21_2s_colegio, file = "../output/graphs/part_act_dis_21_2s_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo de la madre y la participación activista disruptiva del encuestado.
En términos generales, no es posible visualizar un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre la dependencia administrativa del establecimiento y la participación disruptiva. Sin embargo, se ve una leve relación entre que la madre tenga sólo educación básica o menos y realizar prácticas de activismo disruptivo en cuatro de los cinco momentos por los que se consultó (solo en el estallido social no se ve este patrón).
### Crear variable
data_wide$part_act_dis_3y4 <- as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloqueo + data_wide$part_pol_rayar.y + data_wide$part_pol_toma.y)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_3y4, na.rm=T),
psych::describe(data_ed_med$part_act_dis_3y4, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_3y4, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_3y4,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_3y4,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_3y4,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_3y4,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_dis_3y4_colegio
ggsave(part_act_dis_3y4_colegio, file = "../output/graphs/part_act_dis_3y4_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_dis_20 = as.numeric(data_wide$part_pol_marc_dis_20 + data_wide$part_pol_bloq_20 + data_wide$part_pol_rayar_20 + data_wide$part_pol_toma_20)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_20, na.rm=T),
psych::describe(data_ed_med$part_act_dis_20, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_20, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_20,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_20,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_20,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_20,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_dis_20_colegio
ggsave(part_act_dis_20_colegio, file = "../output/graphs/part_act_dis_20_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_dis_21_1s = as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloq + data_wide$part_pol_rayar.x + data_wide$part_pol_toma.x)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_21_1s, na.rm=T),
psych::describe(data_ed_med$part_act_dis_21_1s, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_21_1s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_21_1s,y=data_ed_bas$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_21_1s,y=data_ed_med$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_21_1s,y=data_ed_ter$weight_w02,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_21_1s,y=data_ed_uni$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_dis_21_1s_colegio
ggsave(part_act_dis_21_1s_colegio, file = "../output/graphs/part_act_dis_21_1s_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_dis_21_2s = as.numeric(data_wide$part_pol_marc_dis_21b + data_wide$part_pol_bloq_21b + data_wide$part_pol_rayar_21b + data_wide$part_pol_toma_21b)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_21_2s, na.rm=T),
psych::describe(data_ed_med$part_act_dis_21_2s, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_21_2s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_21_2s,y=data_ed_bas$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_21_2s,y=data_ed_med$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_21_2s,y=data_ed_ter$weight_w03,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_21_2s,y=data_ed_uni$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_dis_21_2s_colegio
ggsave(part_act_dis_21_2s_colegio, file = "../output/graphs/part_act_dis_21_2s_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo del padre y la participación activista disruptiva del encuestado.
En términos generales, es posible visualizar una leve relación entre que el padre tenga sólo educación básica o menos y realizar prácticas de activismo disruptivo en todos los momentos sobre los que se consultó.
### Crear variable
data_wide$part_act_dis_3y4 <- as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloqueo + data_wide$part_pol_rayar.y + data_wide$part_pol_toma.y)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_3y4, na.rm=T),
psych::describe(data_ed_med$part_act_dis_3y4, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_3y4, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_3y4,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_3y4,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_3y4,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_3y4,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo del padre") + ylim(0,4)
#part_act_dis_3y4_colegio
ggsave(part_act_dis_3y4_colegio, file = "../output/graphs/part_act_dis_3y4_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_dis_20 = as.numeric(data_wide$part_pol_marc_dis_20 + data_wide$part_pol_bloq_20 + data_wide$part_pol_rayar_20 + data_wide$part_pol_toma_20)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_20, na.rm=T),
psych::describe(data_ed_med$part_act_dis_20, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_20, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_20,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_20,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_20,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_20,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo del padre") + ylim(0,4)
#part_act_dis_20_colegio
ggsave(part_act_dis_20_colegio, file = "../output/graphs/part_act_dis_20_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_dis_21_1s = as.numeric(data_wide$part_pol_marcha_dis + data_wide$part_pol_bloq + data_wide$part_pol_rayar.x + data_wide$part_pol_toma.x)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_21_1s, na.rm=T),
psych::describe(data_ed_med$part_act_dis_21_1s, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_21_1s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_21_1s,y=data_ed_bas$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_21_1s,y=data_ed_med$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_21_1s,y=data_ed_ter$weight_w02,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_21_1s,y=data_ed_uni$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo del padre") + ylim(0,4)
#part_act_dis_21_1s_colegio
ggsave(part_act_dis_21_1s_colegio, file = "../output/graphs/part_act_dis_21_1s_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_dis_21_2s = as.numeric(data_wide$part_pol_marc_dis_21b + data_wide$part_pol_bloq_21b + data_wide$part_pol_rayar_21b + data_wide$part_pol_toma_21b)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_dis_21_2s, na.rm=T),
psych::describe(data_ed_med$part_act_dis_21_2s, na.rm=T),
psych::describe(data_ed_ter$part_act_dis_21_2s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_dis_21_2s,y=data_ed_bas$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_dis_21_2s,y=data_ed_med$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_dis_21_2s,y=data_ed_ter$weight_w03,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_dis_21_2s,y=data_ed_uni$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_dis_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista disruptiva por
nivel educativo del padre") + ylim(0,4)
#part_act_dis_21_2s_colegio
ggsave(part_act_dis_21_2s_colegio, file = "../output/graphs/part_act_dis_21_2s_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
Para medir el activismo no disruptivo se utilizó el siguiente indicador:
Para los análisis se calcula el promedio de participación activista no disruptiva manteniendo la escala original de valores (1 a 4).
En el gráfico a continuación se presenta el puntaje promedio de participación activista no disruptiva en cada uno de los momentos sobre los que se consultó. Como se puede ver, la participación activista no disruptiva en general alcanza niveles medios (todos los promedios se encuentran entre 1.5 y 2.4). Los niveles más altos de participación no disruptiva corresponden al periodo en que el encuestado estudió la enseñanza media y al periodo del estallido social.
### Crear variable participación política durante 3ro y 4to medio
data_wide$part_act_no_dis_3y4 <- as.numeric(data_wide$part_pol_marcha_pas)
### Crear variable participación política durante estallido social
data_wide$part_act_no_dis_es <- as.numeric(data_wide$part_pol_marc_pac_21)
### Crear variable participación política durante el 2020
data_wide$part_act_no_dis_20 = as.numeric(data_wide$part_pol_marc_pac_20)
### Crear variable participación política durante el primer semestre de 2021
data_wide$part_act_no_dis_21_1s = as.numeric(data_wide$part_pol_marc_pac)
### Crear variable participación política durante el segundo semestre de 2021
data_wide$part_act_no_dis_21_2s = as.numeric(data_wide$part_pol_marc_pac_21b)
table_preposh1<- rbind(psych::describe(data_wide$part_act_no_dis_3y4, na.rm=T),
psych::describe(data_wide$part_act_no_dis_es, na.rm=T),
psych::describe(data_wide$part_act_no_dis_20, na.rm=T),
psych::describe(data_wide$part_act_no_dis_21_1s, na.rm=T),
psych::describe(data_wide$part_act_no_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_wide$part_act_no_dis_3y4,y=data_wide$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_wide$part_act_no_dis_es,y=data_wide$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_wide$part_act_no_dis_20,y=data_wide$weight_w01,na.rm=TRUE)
pond4 <- stats::weighted.mean(x=data_wide$part_act_no_dis_21_1s,y=data_wide$weight_w02,na.rm=TRUE)
pond5 <- stats::weighted.mean(x=data_wide$part_act_no_dis_21_2s,y=data_wide$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1[4,2]<-pond4
table_preposh1[5,2]<-pond5
table_preposh1$dep <- c("1. Durante 3ro y 4to medio", "2. Durante el estallido social", "3. Durante el 2020", "4. Durante el 1er sem. de 2021", "5. Durante el 2do sem. de 2021")
part_act_no_dis <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva") + ylim(0,4)
#part_act_dis
ggsave(part_act_no_dis, file = "../output/graphs/part_act_no_dis.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre la dependencia administrativa del establecimiento en que el encuestado estudió sus dos últimos años de enseñanza media y su participación activista no disruptiva.
En términos generales, es posible visualizar que no hay un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre la dependencia administrativa del establecimiento y la participación no disruptiva. Sin embargo, se muestra una relación entre haber asistido a un establecimiento municipal y haber participado en una marcha pacífica durante 3ro y 4to medio.
### Crear variable
#data_wide$part_act_no_dis_3y4 <- as.numeric(data_wide$part_pol_firma.y + data_wide$part_pol_marcha_pas)/2
data_wide$part_act_no_dis_3y4 <- as.numeric(data_wide$part_pol_marcha_pas)
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_no_dis_3y4, na.rm=T),
psych::describe(data_sub$part_act_no_dis_3y4, na.rm=T),psych::describe(data_priv$part_act_no_dis_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_no_dis_3y4,y=data_mun$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_no_dis_3y4,y=data_sub$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_no_dis_3y4,y=data_priv$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_no_dis_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_no_dis_3y4_colegio
ggsave(part_act_no_dis_3y4_colegio, file = "../output/graphs/part_act_no_dis_3y4_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
#data_wide$part_act_no_dis_20 = as.numeric(data_wide$part_pol_firma_20 + data_wide$part_pol_marc_pac_20)/2
data_wide$part_act_no_dis_20 = as.numeric(data_wide$part_pol_marc_pac_20)
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_no_dis_20, na.rm=T),
psych::describe(data_sub$part_act_no_dis_20, na.rm=T),psych::describe(data_priv$part_act_no_dis_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_no_dis_20,y=data_mun$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_no_dis_20,y=data_sub$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_no_dis_20,y=data_priv$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_no_dis_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_no_dis_20_colegio
ggsave(part_act_no_dis_20_colegio, file = "../output/graphs/part_act_no_dis_20_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
#data_wide$part_act_no_dis_21_1s = as.numeric(data_wide$part_pol_firma.x + data_wide$part_pol_marc_pac)/2
data_wide$part_act_no_dis_21_1s = as.numeric(data_wide$part_pol_marc_pac)
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_no_dis_21_1s, na.rm=T),
psych::describe(data_sub$part_act_no_dis_21_1s, na.rm=T),psych::describe(data_priv$part_act_no_dis_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_no_dis_21_1s,y=data_mun$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_no_dis_21_1s,y=data_sub$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_no_dis_21_1s,y=data_priv$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_no_dis_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_no_dis_21_1s_colegio
ggsave(part_act_no_dis_21_1s_colegio, file = "../output/graphs/part_act_no_dis_21_1s_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
#data_wide$part_act_no_dis_21_2s = as.numeric(data_wide$part_pol_firma_21b + data_wide$part_pol_marc_pac_21b)/2
data_wide$part_act_no_dis_21_2s = as.numeric(data_wide$part_pol_marc_pac_21b)
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_no_dis_21_2s, na.rm=T),
psych::describe(data_sub$part_act_no_dis_21_2s, na.rm=T),psych::describe(data_priv$part_act_no_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_no_dis_21_2s,y=data_mun$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_no_dis_21_2s,y=data_sub$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_no_dis_21_2s,y=data_priv$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_no_dis_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_no_dis_21_2s_colegio
ggsave(part_act_no_dis_21_2s_colegio, file = "../output/graphs/part_act_no_dis_21_2s_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo de la madre y la participación activista no disruptiva del encuestado.
En términos generales, no es posible visualizar un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre el nivel educativo de la madre y la participación no disruptiva. Sin embargo, se ve una relación entre que la madre tenga educación media o terciaria y haber participado en una marcha pacífica durante el estallido social, así como también entre que la madre tenga educación básica y menos y haber participado en una marcha pacífica durante el primer semestre de 2021.
### Crear variable
data_wide$part_act_no_dis_3y4 <- as.numeric(data_wide$part_pol_firma.y + data_wide$part_pol_marcha_pas)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_3y4, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_3y4, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_3y4, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_3y4,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_3y4,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_3y4,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_3y4,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_no_dis_3y4_colegio
ggsave(part_act_no_dis_3y4_colegio, file = "../output/graphs/part_act_no_dis_3y4_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_no_dis_20 = as.numeric(data_wide$part_pol_firma_20 + data_wide$part_pol_marc_pac_20)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_20, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_20, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_20, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_20,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_20,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_20,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_20,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_no_dis_20_colegio
ggsave(part_act_no_dis_20_colegio, file = "../output/graphs/part_act_no_dis_20_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_no_dis_21_1s = as.numeric(data_wide$part_pol_firma.x + data_wide$part_pol_marc_pac)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_21_1s, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_21_1s, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_21_1s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_21_1s,y=data_ed_bas$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_21_1s,y=data_ed_med$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_21_1s,y=data_ed_ter$weight_w02,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_21_1s,y=data_ed_uni$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_no_dis_21_1s_colegio
ggsave(part_act_no_dis_21_1s_colegio, file = "../output/graphs/part_act_no_dis_21_1s_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_no_dis_21_2s = as.numeric(data_wide$part_pol_firma_21b + data_wide$part_pol_marc_pac_21b)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_21_2s, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_21_2s, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_21_2s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_21_2s,y=data_ed_bas$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_21_2s,y=data_ed_med$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_21_2s,y=data_ed_ter$weight_w03,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_21_2s,y=data_ed_uni$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la madre") + ylim(0,4)
#part_act_no_dis_21_2s_colegio
ggsave(part_act_no_dis_21_2s_colegio, file = "../output/graphs/part_act_no_dis_21_2s_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo del padre y la participación activista no disruptiva del encuestado.
En términos generales, no es posible visualizar un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre el nivel educativo del padre y la participación no disruptiva. Sin embargo, se ve una relación entre que el padre tenga educación básica o menos y haber participado en una marcha pacífica durante tercero y cuarto medio, así como también entre que el padre tenga educación media o terciaria y haber participado en una marcha pacífica durante el estallido social.
### Crear variable
data_wide$part_act_no_dis_3y4 <- as.numeric(data_wide$part_pol_firma.y + data_wide$part_pol_marcha_pas)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_3y4, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_3y4, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_3y4, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_3y4,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_3y4,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_3y4,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_3y4,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la padre") + ylim(0,4)
#part_act_no_dis_3y4_colegio
ggsave(part_act_no_dis_3y4_colegio, file = "../output/graphs/part_act_no_dis_3y4_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_no_dis_20 = as.numeric(data_wide$part_pol_firma_20 + data_wide$part_pol_marc_pac_20)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_20, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_20, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_20, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_20,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_20,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_20,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_20,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la padre") + ylim(0,4)
#part_act_no_dis_20_colegio
ggsave(part_act_no_dis_20_colegio, file = "../output/graphs/part_act_no_dis_20_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_no_dis_21_1s = as.numeric(data_wide$part_pol_firma.x + data_wide$part_pol_marc_pac)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_21_1s, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_21_1s, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_21_1s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_21_1s,y=data_ed_bas$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_21_1s,y=data_ed_med$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_21_1s,y=data_ed_ter$weight_w02,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_21_1s,y=data_ed_uni$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la padre") + ylim(0,4)
#part_act_no_dis_21_1s_colegio
ggsave(part_act_no_dis_21_1s_colegio, file = "../output/graphs/part_act_no_dis_21_1s_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_no_dis_21_2s = as.numeric(data_wide$part_pol_firma_21b + data_wide$part_pol_marc_pac_21b)/2
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_no_dis_21_2s, na.rm=T),
psych::describe(data_ed_med$part_act_no_dis_21_2s, na.rm=T),
psych::describe(data_ed_ter$part_act_no_dis_21_2s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_no_dis_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_no_dis_21_2s,y=data_ed_bas$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_no_dis_21_2s,y=data_ed_med$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_no_dis_21_2s,y=data_ed_ter$weight_w03,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_no_dis_21_2s,y=data_ed_uni$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_no_dis_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
no disruptiva (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista no disruptiva por
nivel educativo de la padre") + ylim(0,4)
#part_act_no_dis_21_2s_colegio
ggsave(part_act_no_dis_21_2s_colegio, file = "../output/graphs/part_act_no_dis_21_2s_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
Para medir el activismo online se creo un índice sumativo que incorporó los cuatro indicadores relacionados con este tipo de participación, calculando el promedio de participación activista online manteniendo la escala original de valores (1 a 4). Se incorporaron los siguientes indicadores:
En el gráfico a continuación se presenta el puntaje promedio de participación activista online en cada uno de los momentos sobre los que se consultó. Como se muestra en el gráfico, la participación activista online en general alcanza valores más altos que la participación activista online. El promedio de participación activista online para todos los momentos alcanza valores superiores a 2, de hecho en casi todos los momentos por los que se consultó (4 de 5) el promedio de participación es mayor que 2.5. Los niveles más altos de participación online corresponden al periodo del estallido social y al periodo del año 2020.
### Crear variable participación política durante 3ro y 4to medio
data_wide$part_act_online_3y4 <- as.numeric(data_wide$part_pol_online + data_wide$part_online_post + data_wide$part_online_com + data_wide$part_online_seg)/4
### Crear variable participación política durante estallido social
data_wide$part_act_online_es <- as.numeric(data_wide$part_pol_online_info_21 + data_wide$part_pol_online_post_21 + data_wide$part_pol_online_com_21 + data_wide$part_pol_online_seg_21)/4
### Crear variable participación política durante el 2020
data_wide$part_act_online_20 = as.numeric(data_wide$part_pol_online_info_20 + data_wide$part_pol_online_post_20 + data_wide$part_pol_online_com_20 + data_wide$part_pol_online_seg_20 )/4
### Crear variable participación política durante el primer semestre de 2021
data_wide$part_act_online_21_1s = as.numeric(data_wide$part_pol_online_info + data_wide$part_pol_online_post + data_wide$part_pol_online_com + data_wide$part_pol_online_seg)/4
### Crear variable participación política durante el segundo semestre de 2021
data_wide$part_act_online_21_2s = as.numeric(data_wide$part_pol_online_info_21b + data_wide$part_pol_online_post_21b + data_wide$part_pol_online_com_21b + data_wide$part_pol_online_seg_21b)/4
table_preposh1<- rbind(psych::describe(data_wide$part_act_online_3y4, na.rm=T),
psych::describe(data_wide$part_act_online_es, na.rm=T),
psych::describe(data_wide$part_act_online_20, na.rm=T),
psych::describe(data_wide$part_act_online_21_1s, na.rm=T),
psych::describe(data_wide$part_act_online_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_wide$part_act_online_3y4,y=data_wide$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_wide$part_act_online_es,y=data_wide$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_wide$part_act_online_20,y=data_wide$weight_w01,na.rm=TRUE)
pond4 <- stats::weighted.mean(x=data_wide$part_act_online_21_1s,y=data_wide$weight_w02,na.rm=TRUE)
pond5 <- stats::weighted.mean(x=data_wide$part_act_online_21_2s,y=data_wide$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1[4,2]<-pond4
table_preposh1[5,2]<-pond5
table_preposh1$dep <- c("1. Durante 3ro y 4to medio", "2. Durante el estallido social", "3. Durante el 2020", "4. Durante el 1er sem. de 2021", "5. Durante el 2do sem. de 2021")
part_act_online <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online") + ylim(0,4)
#part_act_online
ggsave(part_act_online, file = "../output/graphs/part_act_online.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre la dependencia administrativa del establecimiento en que el encuestado estudió sus dos últimos años de enseñanza media y su participación activista online.
En términos generales, es posible visualizar que no hay un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre la dependencia administrativa del establecimiento y la participación online. Sin embargo, se muestra una relación entre haber asistido a un establecimiento particular subvencionado y realizar prácticas de activismo online en dos de los cinco momentos sobre los que se consultó (durante el estallido social y durante el 2020).
### Crear variable
data_wide$part_act_online_3y4 <- as.numeric(data_wide$part_pol_online + data_wide$part_online_post + data_wide$part_online_com + data_wide$part_online_seg)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_online_3y4, na.rm=T),
psych::describe(data_sub$part_act_online_3y4, na.rm=T),psych::describe(data_priv$part_act_online_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_online_3y4,y=data_mun$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_online_3y4,y=data_sub$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_online_3y4,y=data_priv$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_online_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_online_3y4_colegio
ggsave(part_act_online_3y4_colegio, file = "../output/graphs/part_act_online_3y4_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_online_20 = as.numeric(data_wide$part_pol_online_info_20 + data_wide$part_pol_online_post_20 + data_wide$part_pol_online_com_20 + data_wide$part_pol_online_seg_20 )/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_online_20, na.rm=T),
psych::describe(data_sub$part_act_online_20, na.rm=T),psych::describe(data_priv$part_act_online_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_online_20,y=data_mun$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_online_20,y=data_sub$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_online_20,y=data_priv$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_online_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_online_20_colegio
ggsave(part_act_online_20_colegio, file = "../output/graphs/part_act_online_20_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_online_21_1s = as.numeric(data_wide$part_pol_online_info + data_wide$part_pol_online_post + data_wide$part_pol_online_com + data_wide$part_pol_online_seg)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_online_21_1s, na.rm=T),
psych::describe(data_sub$part_act_online_21_1s, na.rm=T),psych::describe(data_priv$part_act_online_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_online_21_1s,y=data_mun$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_online_21_1s,y=data_sub$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_online_21_1s,y=data_priv$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_online_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_online_21_1s_colegio
ggsave(part_act_online_21_1s_colegio, file = "../output/graphs/part_act_online_21_1s_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_online_21_2s = as.numeric(data_wide$part_pol_online_info_21b + data_wide$part_pol_online_post_21b + data_wide$part_pol_online_com_21b + data_wide$part_pol_online_seg_21b)/4
# Creación de bbdd
data_mun = data_wide %>% filter(edm_admi==1) %>% as.data.frame() #Municipal
data_sub = data_wide %>% filter(edm_admi==2) %>% as.data.frame() #Particular Subvencionado
data_priv = data_wide %>% filter(edm_admi==3) %>% as.data.frame() #Particular pagado
table_preposh1<- rbind(psych::describe(data_mun$part_act_online_21_2s, na.rm=T),
psych::describe(data_sub$part_act_online_21_2s, na.rm=T),psych::describe(data_priv$part_act_online_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_mun$part_act_online_21_2s,y=data_mun$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_sub$part_act_online_21_2s,y=data_sub$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_priv$part_act_online_21_2s,y=data_priv$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
table_preposh1$dep <- c("Municipal","Particular Subvencionado","Particular Privado")
part_act_online_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
tipo de dependencia administrativa de la escuela") + ylim(0,4)
#part_act_online_21_2s_colegio
ggsave(part_act_online_21_2s_colegio, file = "../output/graphs/part_act_online_21_2s_colegio_dep.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo de la madre y la participación activista online del encuestado.
En términos generales, no es posible visualizar un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre la dependencia administrativa del establecimiento y la participación online. Sin embargo, se ve una relación entre que la madre tenga educación terciaria y realizar prácticas de activismo online en todos los momentos sobre los que se consultó.
### Crear variable
data_wide$part_act_online_3y4 <- as.numeric(data_wide$part_pol_online + data_wide$part_online_post + data_wide$part_online_com + data_wide$part_online_seg)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_3y4, na.rm=T),
psych::describe(data_ed_med$part_act_online_3y4, na.rm=T),
psych::describe(data_ed_ter$part_act_online_3y4, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_3y4,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_3y4,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_3y4,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_3y4,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo de la madre") + ylim(0,4)
#part_act_online_3y4_colegio
ggsave(part_act_online_3y4_colegio, file = "../output/graphs/part_act_online_3y4_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_online_20 = as.numeric(data_wide$part_pol_online_info_20 + data_wide$part_pol_online_post_20 + data_wide$part_pol_online_com_20 + data_wide$part_pol_online_seg_20 )/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)```
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_20, na.rm=T),
psych::describe(data_ed_med$part_act_online_20, na.rm=T),
psych::describe(data_ed_ter$part_act_online_20, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_20,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_20,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_20,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_20,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo de la madre") + ylim(0,4)
#part_act_online_20_colegio
ggsave(part_act_online_20_colegio, file = "../output/graphs/part_act_online_20_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_online_21_1s = as.numeric(data_wide$part_pol_online_info + data_wide$part_pol_online_post + data_wide$part_pol_online_com + data_wide$part_pol_online_seg)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_21_1s, na.rm=T),
psych::describe(data_ed_med$part_act_online_21_1s, na.rm=T),
psych::describe(data_ed_ter$part_act_online_21_1s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_21_1s,y=data_ed_bas$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_21_1s,y=data_ed_med$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_21_1s,y=data_ed_ter$weight_w02,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_21_1s,y=data_ed_uni$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo de la madre") + ylim(0,4)
#part_act_online_21_1s_colegio
ggsave(part_act_online_21_1s_colegio, file = "../output/graphs/part_act_online_21_1s_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_online_21_2s = as.numeric(data_wide$part_pol_online_info_21b + data_wide$part_pol_online_post_21b + data_wide$part_pol_online_com_21b + data_wide$part_pol_online_seg_21b)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_madre==4 | nse_madre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_madre==6 | nse_madre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_madre==8 | nse_madre==9 | nse_madre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_21_2s, na.rm=T),
psych::describe(data_ed_med$part_act_online_21_2s, na.rm=T),
psych::describe(data_ed_ter$part_act_online_21_2s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_21_2s,y=data_ed_bas$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_21_2s,y=data_ed_med$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_21_2s,y=data_ed_ter$weight_w03,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_21_2s,y=data_ed_uni$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo de la madre") + ylim(0,4)
#part_act_online_21_2s_colegio
ggsave(part_act_online_21_2s_colegio, file = "../output/graphs/part_act_online_21_2s_colegio_ed_madre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo del padre y la participación activista online del encuestado.
En términos generales, no es posible visualizar un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre la dependencia administrativa del establecimiento y la participación online. Sin embargo, se ve una leve relación entre que el padre tenga educación terciaria y realizar prácticas de activismo online en cuatro de los cinco momentos por los que se consultó (solo durante la enseñanza media no se ve este patrón).
### Crear variable
data_wide$part_act_online_3y4 <- as.numeric(data_wide$part_pol_online + data_wide$part_online_post + data_wide$part_online_com + data_wide$part_online_seg)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_3y4, na.rm=T),
psych::describe(data_ed_med$part_act_online_3y4, na.rm=T),
psych::describe(data_ed_ter$part_act_online_3y4, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_3y4, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_3y4,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_3y4,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_3y4,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_3y4,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_3y4_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo del padre") + ylim(0,4)
#part_act_online_3y4_colegio
ggsave(part_act_online_3y4_colegio, file = "../output/graphs/part_act_online_3y4_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
### Crear variable
data_wide$part_act_online_20 = as.numeric(data_wide$part_pol_online_info_20 + data_wide$part_pol_online_post_20 + data_wide$part_pol_online_com_20 + data_wide$part_pol_online_seg_20 )/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_20, na.rm=T),
psych::describe(data_ed_med$part_act_online_20, na.rm=T),
psych::describe(data_ed_ter$part_act_online_20, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_20, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_20,y=data_ed_bas$weight_w01,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_20,y=data_ed_med$weight_w01,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_20,y=data_ed_ter$weight_w01,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_20,y=data_ed_uni$weight_w01,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_20_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo del padre") + ylim(0,4)
#part_act_online_20_colegio
ggsave(part_act_online_20_colegio, file = "../output/graphs/part_act_online_20_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_online_21_1s = as.numeric(data_wide$part_pol_online_info + data_wide$part_pol_online_post + data_wide$part_pol_online_com + data_wide$part_pol_online_seg)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_21_1s, na.rm=T),
psych::describe(data_ed_med$part_act_online_21_1s, na.rm=T),
psych::describe(data_ed_ter$part_act_online_21_1s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_21_1s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_21_1s,y=data_ed_bas$weight_w02,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_21_1s,y=data_ed_med$weight_w02,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_21_1s,y=data_ed_ter$weight_w02,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_21_1s,y=data_ed_uni$weight_w02,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_21_1s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo del padre") + ylim(0,4)
#part_act_online_21_1s_colegio
ggsave(part_act_online_21_1s_colegio, file = "../output/graphs/part_act_online_21_1s_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
#### Crear variable
data_wide$part_act_online_21_2s = as.numeric(data_wide$part_pol_online_info_21b + data_wide$part_pol_online_post_21b + data_wide$part_pol_online_com_21b + data_wide$part_pol_online_seg_21b)/4
# Creación de bbdd
data_ed_bas = data_wide %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3) %>% as.data.frame() # Sin Ed. (1), Ed. básica incompleta (2) o completa (3)
data_ed_med = data_wide %>% filter(nse_padre==4 | nse_padre==5) %>% as.data.frame() # Ed. media incompleta (4) o completa (5)
data_ed_ter = data_wide %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # técnico superior incompleto (6) o completo (7) Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
#data_ed_tec = data_wide %>% filter(nse_padre==6 | nse_padre==7) %>% as.data.frame() # técnico superior incompleto (6) o completo (7)
#data_ed_uni = data_wide %>% filter(nse_padre==8 | nse_padre==9 | nse_padre==10) %>% as.data.frame() # Universitaria incompleta (8) o completa (9), Estudios de postgrado (magíster o doctorado) (10)
table_preposh1<- rbind(psych::describe(data_ed_bas$part_act_online_21_2s, na.rm=T),
psych::describe(data_ed_med$part_act_online_21_2s, na.rm=T),
psych::describe(data_ed_ter$part_act_online_21_2s, na.rm=T))#,
# psych::describe(data_ed_uni$part_act_online_21_2s, na.rm=T))
table_preposh1 <- table_preposh1 %>% select(n,mean,sd,median,trimmed,min,max)
pond1 <- stats::weighted.mean(x=data_ed_bas$part_act_online_21_2s,y=data_ed_bas$weight_w03,na.rm=TRUE)
pond2 <- stats::weighted.mean(x=data_ed_med$part_act_online_21_2s,y=data_ed_med$weight_w03,na.rm=TRUE)
pond3 <- stats::weighted.mean(x=data_ed_ter$part_act_online_21_2s,y=data_ed_ter$weight_w03,na.rm=TRUE)
#pond4 <- stats::weighted.mean(x=data_ed_uni$part_act_online_21_2s,y=data_ed_uni$weight_w03,na.rm=TRUE)
table_preposh1[1,2]<-pond1
table_preposh1[2,2]<-pond2
table_preposh1[3,2]<-pond3
#table_preposh1[4,2]<-pond4
#table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Técnico superior", "Universitaria o más")
table_preposh1$dep <- c("Ed. básica o menos","Ed. media","Ed. terciaria")
part_act_online_21_2s_colegio <- ggplot(data=table_preposh1, aes(x=dep, y=mean, fill=dep)) +
geom_bar(position = 'dodge', stat='identity')+#,width=0.8)
scale_fill_brewer(palette="Purples") +
geom_text(aes(label=format(round(mean,2)), y=0), position=position_dodge(0.9), hjust=-0.25, size=6) +
theme_bw(base_size = 14) +
scale_y_continuous(labels = scales::comma) +
ylab('Puntaje promedio en participación activista
online (escala de 1 a 4)') + xlab(' ') +
theme(legend.position="top") +
labs(fill = " ") +
coord_flip()+
theme(axis.text.x = element_text(colour = "grey20", size = 14, angle = 360, hjust = 0.5, vjust = 0.5, face = "bold"),
axis.text.y = element_text(colour = "grey20", size = 14),
text = element_text(size = 14, face = "bold"),
plot.title = element_text(hjust=0.5),
legend.position = "none") +
ggtitle("Participación activista online por
nivel educativo del padre") + ylim(0,4)
#part_act_online_21_2s_colegio
ggsave(part_act_online_21_2s_colegio, file = "../output/graphs/part_act_online_21_2s_colegio_ed_padre.png",device = "png",width = 23,height = 13,dpi = "retina",units = "cm")
La participación en elecciones se midió a través de una serie de preguntas relativas a diferentes instancias de votación. Más precisamente, se les preguntó a cada encuestado si votó en las siguientes elecciones: (1) la elección presidencial de 2017, (2) el plebiscito constitucional, (3) las elecciones para el organo constituyente, (4) las elecciones municipales, (5) la primera vuelta de la elección presidencial de 2021 y (6) la segunda vuelta de la elección presidencial de 2021. Ante cada pregunta las alternativas de respuesta fueron 0. No y 1. Sí. Adicionalmente, las preguntas sobre las elecciones 1, 2 y 3 incorporan también como alternativa de respuesta 2. No tenía edad.
Se presentaron las preguntas sobre los procesos de votación de este modo:
Ahora considerando los procesos de votación de los últimos años, por favor responda las siguientes preguntas
Ahora considerando los procesos de votación recientes de mayo de 2021, por favor responda las siguientes preguntas
Ahora considerando los procesos de votación recientes de noviembre y diciembre de 2021, por favor responda las siguientes preguntas
Por último, cabe precisar que en cada gráfico la barra denominada “General” refiere a la distribución de respuestas en la muestra general para cada una de las elecciones.
En esta sección se presentan los resultados descriptivos de la relación entre la dependencia administrativa del establecimiento en que el encuestado estudió sus dos últimos años de enseñanza media y su participación en distintas votaciones.
En términos generales, es posible visualizar que entre las personas que estudiaron en un establecimiento municipal tiende a haber una mayor proporción de personas que declara no votar en las distintas elecciones sobre las que se consultó (este patrón no se presenta tan claramente en lo que refiere a la primera y segunda vuelta de la elección presidencial). Asimismo, se muestra que quienes asistieron a un establecimiento particular subvencionado tienen una mayor proporción de personas que declara sí haber votado en las diferentes elecciones.
### variable voto_pres_17
bbdd_general0 <- data_wide %>% dplyr::select(voto_pres_17)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_pres_17) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_mun0 <- data_wide %>% dplyr::select(voto_pres_17,edm_admi) %>% filter(edm_admi==1)
bbdd_mun0 <- na.omit(bbdd_mun0)
bbdd_mun =
bbdd_mun0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Municipal") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_sub0 <- data_wide %>% dplyr::select(voto_pres_17,edm_admi) %>% filter(edm_admi==2)
bbdd_sub0 <- na.omit(bbdd_sub0)
bbdd_sub =
bbdd_sub0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Part. Subvencionado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_priv0 <- data_wide %>% dplyr::select(voto_pres_17,edm_admi) %>% filter(edm_admi==3)
bbdd_priv0 <- na.omit(bbdd_priv0)
bbdd_priv =
bbdd_priv0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Part. Pagado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_priv,bbdd_sub,bbdd_mun)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_17_dep <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_pres_17))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_17_dep, file = "../output/graphs/elec_17_dep.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_pleb
bbdd_general0 <- data_wide %>% dplyr::select(voto_pleb)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_pleb ) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_mun0 <- data_wide %>% dplyr::select(voto_pleb,edm_admi) %>% filter(edm_admi==1)
bbdd_mun0 <- na.omit(bbdd_mun0)
bbdd_mun =
bbdd_mun0 %>%
group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Municipal") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_sub0 <- data_wide %>% dplyr::select(voto_pleb,edm_admi) %>% filter(edm_admi==2)
bbdd_sub0 <- na.omit(bbdd_sub0)
bbdd_sub =
bbdd_sub0 %>% group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Part. Subvencionado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_priv0 <- data_wide %>% dplyr::select(voto_pleb,edm_admi) %>% filter(edm_admi==3)
bbdd_priv0 <- na.omit(bbdd_priv0)
bbdd_priv =
bbdd_priv0 %>% group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Part. Pagado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_priv,bbdd_sub,bbdd_mun)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_20_dep <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_pleb ))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_20_dep, file = "../output/graphs/elec_pleb_20_dep.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_conv2
bbdd_general0 <- data_wide %>% dplyr::select(voto_conv2)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_conv2) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_mun0 <- data_wide %>% dplyr::select(voto_conv2,edm_admi) %>% filter(edm_admi==1)
bbdd_mun0 <- na.omit(bbdd_mun0)
bbdd_mun =
bbdd_mun0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Municipal") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_sub0 <- data_wide %>% dplyr::select(voto_conv2,edm_admi) %>% filter(edm_admi==2)
bbdd_sub0 <- na.omit(bbdd_sub0)
bbdd_sub =
bbdd_sub0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Part. Subvencionado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_priv0 <- data_wide %>% dplyr::select(voto_conv2,edm_admi) %>% filter(edm_admi==3)
bbdd_priv0 <- na.omit(bbdd_priv0)
bbdd_priv =
bbdd_priv0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Part. Pagado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_priv,bbdd_sub,bbdd_mun)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_org_const_21_dep <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_conv2))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_org_const_21_dep, file = "../output/graphs/elec_org_const_21_dep.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_muni
bbdd_general0 <- data_wide %>% dplyr::select(voto_muni)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_muni) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_mun0 <- data_wide %>% dplyr::select(voto_muni,edm_admi) %>% filter(edm_admi==1)
bbdd_mun0 <- na.omit(bbdd_mun0)
bbdd_mun =
bbdd_mun0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Municipal") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_sub0 <- data_wide %>% dplyr::select(voto_muni,edm_admi) %>% filter(edm_admi==2)
bbdd_sub0 <- na.omit(bbdd_sub0)
bbdd_sub =
bbdd_sub0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Part. Subvencionado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_priv0 <- data_wide %>% dplyr::select(voto_muni,edm_admi) %>% filter(edm_admi==3)
bbdd_priv0 <- na.omit(bbdd_priv0)
bbdd_priv =
bbdd_priv0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Part. Pagado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_priv,bbdd_sub,bbdd_mun)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_muni_21_dep <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_muni))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_muni_21_dep, file = "../output/graphs/elec_muni_21_dep.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_privuelta
bbdd_general0 <- data_wide %>% dplyr::select(voto_privuelta)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_privuelta) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_mun0 <- data_wide %>% dplyr::select(voto_privuelta,edm_admi) %>% filter(edm_admi==1)
bbdd_mun0 <- na.omit(bbdd_mun0)
bbdd_mun =
bbdd_mun0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Municipal") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_sub0 <- data_wide %>% dplyr::select(voto_privuelta,edm_admi) %>% filter(edm_admi==2)
bbdd_sub0 <- na.omit(bbdd_sub0)
bbdd_sub =
bbdd_sub0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Part. Subvencionado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_priv0 <- data_wide %>% dplyr::select(voto_privuelta,edm_admi) %>% filter(edm_admi==3)
bbdd_priv0 <- na.omit(bbdd_priv0)
bbdd_priv =
bbdd_priv0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Part. Pagado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_priv,bbdd_sub,bbdd_mun)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_privuelta_21_dep <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_privuelta))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_privuelta_21_dep, file = "../output/graphs/elec_privuelta_21_dep.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_segvuelta
bbdd_general0 <- data_wide %>% dplyr::select(voto_segvuelta)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_segvuelta) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_mun0 <- data_wide %>% dplyr::select(voto_segvuelta,edm_admi) %>% filter(edm_admi==1)
bbdd_mun0 <- na.omit(bbdd_mun0)
bbdd_mun =
bbdd_mun0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Municipal") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_sub0 <- data_wide %>% dplyr::select(voto_segvuelta,edm_admi) %>% filter(edm_admi==2)
bbdd_sub0 <- na.omit(bbdd_sub0)
bbdd_sub =
bbdd_sub0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Part. Subvencionado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_priv0 <- data_wide %>% dplyr::select(voto_segvuelta,edm_admi) %>% filter(edm_admi==3)
bbdd_priv0 <- na.omit(bbdd_priv0)
bbdd_priv =
bbdd_priv0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Part. Pagado") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_priv,bbdd_sub,bbdd_mun)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_segvuelta_21_dep <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_segvuelta))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_segvuelta_21_dep, file = "../output/graphs/elec_segvuelta_21_dep.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo de la madre y la participación en distintas votaciones.
En términos generales, es posible visualizar que entre las personas que tienen madres con un nivel educativo de enseñanza básica o menos tiende a haber una mayor proporción de personas que declara no votar en las distintas elecciones sobre las que se consultó (este patrón no se presenta tan claramente en lo que refiere a la segunda vuelta de la elección presidencial). Asimismo, se muestra que quienes son hijos de mujeres con educación terciaria tienen una mayor proporción de personas que declara sí haber votado en las diferentes elecciones (este patrón se presenta en todas las elecciones excepto en la elección del plebiscito constitucional).
### variable voto_pres_17
bbdd_general0 <- data_wide %>% dplyr::select(voto_pres_17)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_pres_17) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_pres_17,nse_madre) %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_pres_17,nse_madre) %>% filter(nse_madre==4 | nse_madre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_pres_17,nse_madre) %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_17_edmad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_pres_17))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_17_edmad, file = "../output/graphs/elec_17_edmad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_pleb
bbdd_general0 <- data_wide %>% dplyr::select(voto_pleb)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_pleb ) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_pleb,nse_madre) %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_pleb,nse_madre) %>% filter(nse_madre==4 | nse_madre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>% group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_pleb,nse_madre) %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_20_edmad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_pleb ))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_20_edmad, file = "../output/graphs/elec_pleb_20_edmad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_conv2
bbdd_general0 <- data_wide %>% dplyr::select(voto_conv2)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_conv2) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_conv2,nse_madre) %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_conv2,nse_madre) %>% filter(nse_madre==4 | nse_madre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_conv2,nse_madre) %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_org_const_21_edmad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_conv2))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_org_const_21_edmad, file = "../output/graphs/elec_org_const_21_edmad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_muni
bbdd_general0 <- data_wide %>% dplyr::select(voto_muni)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_muni) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_muni,nse_madre) %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_muni,nse_madre) %>% filter(nse_madre==4 | nse_madre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_muni,nse_madre) %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_muni_21_edmad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_muni))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_muni_21_edmad, file = "../output/graphs/elec_muni_21_edmad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_privuelta
bbdd_general0 <- data_wide %>% dplyr::select(voto_privuelta)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_privuelta) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_privuelta,nse_madre) %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_privuelta,nse_madre) %>% filter(nse_madre==4 | nse_madre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_privuelta,nse_madre) %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_privuelta_21_edmad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_privuelta))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_privuelta_21_edmad, file = "../output/graphs/elec_privuelta_21_edmad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_segvuelta
bbdd_general0 <- data_wide %>% dplyr::select(voto_segvuelta)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_segvuelta) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_segvuelta,nse_madre) %>% filter(nse_madre==1 | nse_madre==2 | nse_madre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_segvuelta,nse_madre) %>% filter(nse_madre==4 | nse_madre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_segvuelta,nse_madre) %>% filter(nse_madre==6 | nse_madre==7 | nse_madre==8 | nse_madre==9 | nse_madre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_segvuelta_21_edmad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_segvuelta))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_segvuelta_21_edmad, file = "../output/graphs/elec_segvuelta_21_edmad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
En esta sección se presentan los resultados descriptivos de la relación entre el máximo nivel educativo del padre y la participación en distintas votaciones.
En términos generales, es posible visualizar que no hay un patrón claro de la relación entre ambas variables. En otras palabras, los resultados expuestos en los gráficos no evidencian una relación consistente entre el nivel educativo del padre y la participación en elecciones. Sin embargo, se muestra una relación directa entre el nivel educativo del padre y haber votado en dos de las seis las elecciones sobre las que se consultó (elecciones presidenciales de 2017 y el plebiscito constitucional de 2020).
### variable voto_pres_17
bbdd_general0 <- data_wide %>% dplyr::select(voto_pres_17)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_pres_17) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_pres_17,nse_padre) %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_pres_17,nse_padre) %>% filter(nse_padre==4 | nse_padre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_pres_17,nse_padre) %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>% group_by(voto_pres_17) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_17_edpad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_pres_17))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_17_edpad, file = "../output/graphs/elec_17_edpad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_pleb
bbdd_general0 <- data_wide %>% dplyr::select(voto_pleb)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_pleb ) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_pleb,nse_padre) %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_pleb,nse_padre) %>% filter(nse_padre==4 | nse_padre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>% group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_pleb,nse_padre) %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_pleb ) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_20_edpad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_pleb ))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí", "No tenía edad"))
ggsave(elec_20_edpad, file = "../output/graphs/elec_pleb_20_edpad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_conv2
bbdd_general0 <- data_wide %>% dplyr::select(voto_conv2)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_conv2) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_conv2,nse_padre) %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_conv2,nse_padre) %>% filter(nse_padre==4 | nse_padre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_conv2,nse_padre) %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_conv2) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_org_const_21_edpad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_conv2))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_org_const_21_edpad, file = "../output/graphs/elec_org_const_21_edpad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_muni
bbdd_general0 <- data_wide %>% dplyr::select(voto_muni)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_muni) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_muni,nse_padre) %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_muni,nse_padre) %>% filter(nse_padre==4 | nse_padre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_muni,nse_padre) %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_muni) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_muni_21_edpad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_muni))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_muni_21_edpad, file = "../output/graphs/elec_muni_21_edpad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_privuelta
bbdd_general0 <- data_wide %>% dplyr::select(voto_privuelta)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_privuelta) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_privuelta,nse_padre) %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_privuelta,nse_padre) %>% filter(nse_padre==4 | nse_padre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_privuelta,nse_padre) %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_privuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_privuelta_21_edpad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_privuelta))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_privuelta_21_edpad, file = "../output/graphs/elec_privuelta_21_edpad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")
### variable voto_segvuelta
bbdd_general0 <- data_wide %>% dplyr::select(voto_segvuelta)
bbdd_general0 <- na.omit(bbdd_general0)
bbdd_general =
bbdd_general0 %>% group_by(voto_segvuelta) %>%
summarise(n=n(), tipe="<span style='color:#FFFFFF'>e</span>General") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_bas0 <- data_wide %>% dplyr::select(voto_segvuelta,nse_padre) %>% filter(nse_padre==1 | nse_padre==2 | nse_padre==3)
bbdd_ed_bas0 <- na.omit(bbdd_ed_bas0)
bbdd_ed_bas =
bbdd_ed_bas0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>a</span>Ed. básica <br>o menos") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_med0 <- data_wide %>% dplyr::select(voto_segvuelta,nse_padre) %>% filter(nse_padre==4 | nse_padre==5)
bbdd_ed_med0 <- na.omit(bbdd_ed_med0)
bbdd_ed_med =
bbdd_ed_med0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>b</span>Ed. media") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_ed_ter0 <- data_wide %>% dplyr::select(voto_segvuelta,nse_padre) %>% filter(nse_padre==6 | nse_padre==7 | nse_padre==8 | nse_padre==9 | nse_padre==10)
bbdd_ed_ter0 <- na.omit(bbdd_ed_ter0)
bbdd_ed_ter =
bbdd_ed_ter0 %>%
group_by(voto_segvuelta) %>% #pregunta a graficar
summarise(n=n(), tipe="<span style='color:#FFFFFF'>c</span>Ed. terciaria") %>%
mutate(prop=round(n*100/sum(n),1))
bbdd_grafico = rbind(bbdd_general,bbdd_ed_ter,bbdd_ed_med,bbdd_ed_bas)
bbdd_grafico<-na.omit(bbdd_grafico)
elec_segvuelta_21_edpad <- bbdd_grafico %>% ggplot2::ggplot(aes(x=prop,y=tipe,fill=as.character(voto_segvuelta))) + geom_bar(stat="identity",width = 0.5) +
xlab("Porcentaje de respuestas según alternativa") +
ylab("") +
theme_minimal() + # Fondo blanco con lineas
geom_text(aes(x = prop, label = paste0(prop,"%")),
position = position_stack(vjust = .5),color="black", size=5) +
theme(axis.text.x = element_markdown(colour = "grey20", size = 12, hjust = 0.7, vjust = 0.5, face = "bold"),
axis.text.y = element_markdown(colour = "grey20", size = 14, face = "bold"),
legend.position = "bottom", # legenda abajo
plot.title = element_markdown(face="bold"), # titulo de grafico negrita
#legend.text= element_markdown(size = 16), #
legend.title = element_blank(),
#text=element_text(size=16),
legend.text = element_text(size=12, face = "bold")) +
guides(fill = guide_legend(reverse=TRUE)) +
scale_fill_brewer(palette="Purples", labels = c("No", "Sí"))
ggsave(elec_segvuelta_21_edpad, file = "../output/graphs/elec_segvuelta_21_edpad.jpg",device = "jpg",width = 23,height = 13,dpi = "retina",units = "cm")